JOSIEL PEREIRA NASCIMENTO
ADAPTABILIDADE E ESTABILIDADE DE
HÍBRIDOS DE MILHO TRANSGÊNICOS NA
SAFRINHA SUBTROPICAL
LAVRAS - MG
2017
ADAPTABILIDADE E ESTABILIDADE DE HÍBRIDOS DE MILHO TRANSGÊNICOS NA SAFRINHA SUBTROPICAL
Tese apresentada à Universidade Federal de Lavras, como parte das exigências do Programa de Pós-Graduação em Genética e Melhoramento de Plantas, área de concentração em Genética e Melhoramento de Plantas, para obtenção do título de Doutor.
Prof. Dr. João Cândido de Souza Orientador
LAVRAS - MG 2017
Ficha catalográfica elaborada pelo Sistema de Geração de Ficha Catalográfica da Biblioteca Universitária da UFLA, com dados informados pelo(a) próprio(a) autor(a).
Nascimento, Josiel Pereira.
Adaptabilidade e estabilidade de híbridos de milho
transgênicos na safrinha subtropical / Josiel Pereira Nascimento. – 2016.
69 p. : il.
Orientador: João Cândido de Souza.
Tese(doutorado)–Universidade Federal de Lavras, 2016. Bibliografia.
1. Interação genótipos por ambientes. 2. Modelos mistos. 3. GGE Biplot. 4. Segunda safra de milho. I. Universidade Federal de Lavras. II. Título.
ESTUDOS DE ADAPTABILIDADE E ESTABILIDADE DE HÍBRIDOS MILHO TRANSGÊNICOS NA SAFRINHA SUBTROPICAL
ADAPTABILITY AND STABILITY OF TRANSGENIC CORN HYBRIDS IN THE SUBTROPICAL INTERIM-HARVEST
Tese apresentada à Universidade Federal de Lavras, como parte das exigências do Programa de Pós-Graduação em Genética e Melhoramento de Plantas, área de concentração em Genética e Melhoramento de Plantas, para obtenção do título de Doutor.
APROVADO em 29 de novembro de 2016.
Profa. Dra. Flávia Maria Avelar Gonçalves UFLA Prof. Dr. José Airton Rodrigues Nunes UFLA Prof. Dr. Wagner Pereira Reis UFLA
Dr. Fernando Lisboa Guedes EMBRAPA
Prof. Dr. João Cândido de Souza Orientador
LAVRAS - MG 2017
A Deus, pelo dom da vida e pela presença marcante em minha vida. À Universidade Federal de Lavras e ao Programa de Pós-Graduação em Genética e Melhoramento pela oportunidade concedida.
À CAPES (Coordenação de Aperfeiçoamento de Pessoal de Nível Superior), pelo apoio financeiro.
Ao melhorista Adilson Ricken Schuelter, por meio da COODETEC (Cooperativa Central de Pesquisa Agrícola), pela oportunidade de trabalho, crescimento profissional e pela concessão dos dados utilizados para realização deste trabalho.
Ao Professor João Cândido de Souza pela confiança.
Aos professores do programa de pós-graduação, Magno, João Bosco, José Airton, Elaine, Flávia e Ângela, pelos ensinamentos e aconselhamento que muito me ajudaram.
Aos que fizeram o sonho se realizar, Kaio Olímpio Das Graças Dias, Matheus Mendes, Rafael P Diniz, Dr. Fernando Guedes, pela enorme ajuda em meu crescimento acadêmico e disponibilidade em todo tempo.
Aos pesquisadores da DuPont do Brasil S.A. – Divisão Pioneer Sementes, unidade de Toledo/PR, Darci, Almir, Eraldo, Paulo e Delmar pela amizade e ensinamentos fundamentais para o meu desenvolvimento.
Aos funcionários do DBI Dona Iron, Zélia, Rafa e Lilian pelas conversas e por sempre estarem a prontas a ajudar.
Aos amigos do programa de melhoramento de milho da UFLA.
Aos amigos do GEN pela amizade sincera, companhia em noites de estudos, finais de semana fazendo listas de exercícios, horas e horas lendo artigos... por se tornarem parte da minha família.
que Deus a tenha ao lado dEle, pela minha formação pessoal, exemplo e sabedoria.
Ao meu pai, Napoleão Pereira Nascimento que, com o suor do seu trabalho, junto com minha mãe, sempre me ajudou em tudo o que precisei.
À minha família, meus irmãos Josemar, Joel e Joarez, suas respectivas esposas, Keila, Sueli e Leti, meus sobrinhos, Karen, Karina, Patrick, Jonathan, Camilla e Eloiza, por possibilitarem a realização deste sonho.
O milho é cultivado em uma grande extensão territorial e, frequentemente, a manifestação do fenótipo é altamente influenciada pelo ambiente. Para obtenção de genótipos superiores, é necessária a instalação de Ensaios Múltiplos (MET). Por meio desses ensaios, é possível estudar a interação genótipos por ambiente (GA), visando selecionar genótipos, com ampla adaptabilidade e estabilidade de produção, de modo a atender à demanda dos produtores nas diferentes regiões. A abordagem de modelos mistos fornece estimativas mais acuradas e precisas, para auxiliar os melhoristas, na seleção dos melhores genótipos, especialmente, sob desbalanceamento e heterogeneidade de variâncias, situação comum em METs. Este trabalho foi realizado com o objetivo de avaliar a adaptabilidade e estabilidade da produção de grãos (kg ha-1), em híbridos de milho transgênicos, para as condições de plantio safrinha subtropical, nos estados do Mato Grosso do Sul, Paraná e São Paulo. Foram conduzidos dois ensaios de Valor de Cultivo e Uso (VCU), utilizando híbridos com diferentes eventos transgênicos. O primeiro ensaio de VCU, PRO 2, contendo 20 híbridos simples pré-comerciais com tecnologia YieldGard VT PRO 2® e oito híbridos comerciais como testemunha. O segundo ensaio de VCU, HERCULEX (HX), contendo 24 híbridos pré-comerciais com tecnologia Herculex® e 11 híbridos comerciais como testemunha. No total, foram avaliados 47 ensaios, distribuídos em 24 cidades, no ano agrícola de 2013. Os híbridos dos dois VCUs foram avaliados sob o delineamento de blocos completos casualizados, com duas repetições. Foi detectada interação entre os híbridos e os diferentes ambientes pelo teste LRT (alfa=0.05). Constatada a interação, procedeu-se à análise de adaptabilidade e estabilidade, utilizando o método GGE Biplot, para ampliar o entendimento da inter-relação entre os híbridos e ambientes. Foi verificado que alguns ambientes apresentam resultados semelhantes, sendo agrupados em mega-ambientes. O agrupamento variou quando comparado os VCUs. Os híbridos CD 384HX, 20A55HX e DKB 330PRO2 foram os híbridos com maior produção de grãos no VCU PRO 2. No VCU HX, os híbridos P 30F53H, DKB 390PRO e P 3161H se destacam com os melhores desempenhos. Estes híbridos combinam alta produção de grãos e alta estabilidade ao longo dos ambientes avaliados. Os ambientes A6 (Rio Brilhante/MS) e A19 (Santa Helena/PR) foram os que mais discriminaram os híbridos sendo fundamentais à condução de VCU para seleção de híbridos superiores.
Palavras-chave: Interação genótipos por ambientes. Modelos mistos. GGE Biplot. Milho segunda safra.
Corn is cultivated in a wide territorial extension and, generally, the manifestation of the phenotype is highly influenced by the environment. For obtaining superior genotypes it is necessary to install Multiple Trials (MET). By means of these trials, it is possible to study the genotype x environment interaction (GE), aiming at selecting genotypes with wide production adaptability and stability, in order to meet the demands of the producers in the many regions. The approach using mixed models provides more accurate and precise estimates for aiding the breeders in the selection of the best genotypes, especially under variance unbalance and heterogeneity, which is common in METs. This work was conducted with the objective of evaluating the adaptability and stability of grain production (kg ha-1) in transgenic corn hybrids for the planting conditions of subtropical interim-harvest in the states of Mato Grosso do Sul (MS), Paraná (PR) and São Paulo (SP), Brazil. Two Value for Cultivation and Use (VCU) trials were conducted using hybrids with different transgenic events. The first VCU trial, PRO 2, consisted of 20 pre-commercial simple hybrids with YieldGard VT PRO2® technology and eight commercial hybrids as witness. The second VCU trial, HERCULEX (HX), consisted of 24 pre-commercial hybrids with Herculex® technology and 11 commercial hybrids as witness. In total, we evaluated 47 trials, distributed into 24 municipalities, in the agricultural year of 2013. The hybrids from both VCU were evaluated in a completely randomized blocks design, with two replicates. We detected interaction between the hybrids and the different environments by the LRT test (alfa = 0.05). With the interaction verified, we proceeded to the analysis of adaptability and stability using the GGE Biplot method, to widen the understanding of the inter-relation between hybrids and environments. We verified that some of the environments presented similar results, being grouped into mega-environments. The grouping varied when comparing the VCUs. Hybrids CD 384HX, 20A55HX and DKB 330PRO2 presented the highest grain production in VCU PRO 2. In VCU HX, hybrids P 30F53H, DKB 390PRO and P 3161H were highlighted with the best performances. These hybrids combine high grain production and high stability in the environments evaluated. Environments A6 (Rio Brilhante/MS) and A19 (Santa Helena/PR) most discriminated the hybrids, being fundamental to conducting VCUs for the selection of superior hybrids.
Keywords: Genotype x Environment interaction. Mixed models. GGE Biplot. Second harvest corn.
Tabela 1 - Descrição dos híbridos utilizados nos ensaios de valor de cultivo e uso instalados na safrinha do ano agrícola 2013. ... 32 Tabela 2 - Descrição dos locais de plantio do VCU PRO2 (E1) e VCU HX
(E2), designados de A1 a A24. ... 33 Tabela 3 - Estimativa dos componentes da variância para produção de
grãos (kg ha-1) nos híbridos de milho avaliados nos ensaios VCU Pro2 e VCU HX. ... 40 Tabela 4 - Produção de grãos média (kg ha-1) dos híbridos em cada
Figura 1 - Distribuição espacial dos locais de plantio dos Ensaios VCU PRO2 e HX de avaliação de híbridos de milho pré-comerciais e comerciais nos estados do Paraná, Mato Grosso do Sul e São Paulo. ... 35 Figura 2 - GGE biplot para a produção de grãos média demonstrando a
relação entre os híbridos de milho e os ambientes: VCU PRO2. .. 44 Figura 3 - GGE biplot para a produção de grãos média demonstrando a
relação entre os híbridos de milho e os ambientes: VCU HX. ... 45 Figura 4 - GGE biplot “Discriminativos vs representativos”, utilizado para
classificar ensaios com melhor capacidade de discriminar e representar os ambientes de avaliação para a produção de grãos no ensaio VCU PRO2. ... 46 Figura 5 - GGE biplot “Discriminativos vs representativos”, utilizado para
classificar ensaios com melhor capacidade de discriminar e representar os ambientes de avaliação para a produção de grãos no ensaio VCU HX. ... 47 Figura 6 - GGE biplot “Quem venceu onde” para produção de grãos que
mostra quais híbridos obtiveram melhor desempenho no ensaio VCU PRO2. ... 49 Figura 7 - GGE biplot “Quem venceu onde” para produção de grãos que
mostra quais híbridos obtiveram melhor desempenho no ensaio VCU HX. ... 50 Figura 8 - GGE biplot “Média vs Estabilidade” para produção de grãos no
ensaio VCU PRO2. ... 51 Figura 9 - GGE biplot “Média vs Estabilidade” para produção de grãos no
ideotipo para produção de grãos no ensaio VCU PRO2. ... 53 Figura 11 - GGE biplot que classifica os híbridos de acordo com um
1 INTRODUÇÃO ... 13
2 REFERENCIAL TEÓRICO ... 17
2.1 Milho safrinha e milho transgênico ... 17
2.2 Interação genótipos x ambientes ... 18
2.3 Estratificação Ambiental ... 22
2.4 Adaptabilidade e Estabilidade ... 24
2.5 Modelo linear misto ... 26
3 MATERIAL E MÉTODOS ... 31
3.1 Ensaios VCU PRO 2 e VCU HX ... 31
3.2 Experimentação agronômica... 35 3.3 Análise de dados ... 36 4 RESULTADOS E DISCUSSÃO ... 39 5 CONCLUSÕES ... 59 REFERÊNCIAS ... 61 ANEXO A – TABELAS ... 68
1 INTRODUÇÃO
O milho é um dos principais produtos agrícolas no mundo pela importância na alimentação humana e animal, além do uso na produção de combustível, entre outros. No Brasil, ele é cultivado em uma grande extensão territorial, desde os estados do Norte até os estados do Sul, visto que uma grande variação, nas condições ambientais, é observada. Essa variação é, ainda, mais acentuada, durante a safrinha - cultivo de sequeiro, com semeadura realizada nos meses de janeiro a abril, após a cultura do verão, geralmente, após soja precoce – que, no ano agrícola de 2014/2015, correspondeu a, aproximadamente, 64,5% da safra total, cuja produção foi de 84,3 milhões de toneladas.
Em virtude do sistema de produção peculiar na safrinha, tem sido observado dinamismo, nos programas de melhoramento genético de milho, visando à obtenção de novos genótipos superiores, que possuem dentre as características de interesse, adaptabilidade e estabilidade de produção, de modo a atender à demanda dos produtores nas diferentes regiões. As empresas produtoras de sementes, públicas ou privadas, conduzem os ensaios de avaliação de novos genótipos, em múltiplos ambientes, os chamados multi environmental
trials (METs). A condução destes ensaios é necessária, pois o cultivo do milho,
em variados ambientes, contribui para o desempenho diferenciado dos genótipos, ou seja, permite que a interação genótipos por ambientes (GA) se expresse de maneira diferente.
O estudo da interação GA é um dos campos de pesquisa que tem recebido grande atenção dos melhoristas e estatísticos, principalmente, nas condições brasileiras, em que ocorre maior heterogeneidade de condições ambientais, levando à maior ocorrência de interação. A interação GA não deve ser vista como um entrave para os programas de melhoramento. Deve, sim, ser estudada e aproveitada, para potencializar o desempenho dos genótipos, em determinadas condições ambientais. Dessa forma, o processo de recomendação
de cultivares ou híbridos se torna uma das etapas mais complexas de um programa de melhoramento, pois a recomendação de um determinado híbrido deve ser feita, para uma condição futura, que é difícil de ser prevista.
A tarefa do melhorista, nos programas de melhoramento de milho, é, então, identificar e selecionar as combinações híbridas mais adaptadas e estáveis e recomendá-las aos agricultores. Outra tarefa muito importante é identificar as regiões ou mega-ambientes que favorecem o desempenho de determinadas combinações híbridas. Dessa forma, a aplicação de metodologias, para o estudo da estratificação ambiental, é pertinente, pois visa realizar, de forma realista, a distinção destes mega-ambientes e a recomendação das melhores combinações híbridas para condições específicas.
Diversas metodologias têm sido propostas, para realização de estratificação ambiental e, também, para estudar a adaptabilidade e estabilidade dos genótipos. Propõem identificar genótipos mais estáveis e de comportamento previsível e, também, agrupar as estimativas da interação GA para formar grupos de ambientes similares. Algumas técnicas multivariadas têm se mostrado eficientes para realizar este tipo de estudo. Entre as diversas metodologias, pode-se destacar a proposta por Yan et al. (2000), que modificou a análipode-se AMMI (Additive Main effects and Multiplicative Interaction analysis), para dar origem ao método GGE (Genotype main effect plus Genotype by Environment
Interaction) biplot, que permite a análise gráfica de dados de múltiplos
ambientes. Na abordagem GGE biplot, utilizando modelos mistos, é possível obter valores genéticos maiores comparados a outras metodologias, por exemplo, que consideram modelos fixos.
Diante do exposto, os objetivos deste trabalho foram avaliar o desempenho de híbridos de milho transgênicos, quanto à produção de grãos, na época de Safrinha Subtropical, verificando sua adaptabilidade e estabilidade,
assim como definir grupos de ensaios que componham o mesmo mega-ambiente de cultivo associando a abordagem de modelos mistos e a análise GGE biplot.
2 REFERENCIAL TEÓRICO
2.1 Milho safrinha e milho transgênico
O milho safrinha é caracterizado pelo cultivo em sequeiro, com semeadura realizada nos meses de janeiro a abril, após a cultura de verão, geralmente, após soja precoce. O termo safrinha teve origem nas baixas produtividades dos primeiros cultivos do cereal, no Estado do Paraná, na década de 1970, quando foram constatadas produtividades muito menores se comparadas às obtidas na safra de verão. Embora o termo safrinha seja pejorativo, não correspondendo ao excelente nível atual de produtividade de parte das lavouras e à sua importância no cenário nacional, está consagrado pelo uso e por caracterizar um sistema de produção peculiar (COMPANHIA NACIONAL DE ABASTECIMENTO, 2010).
Os estados, tradicionalmente, produtores de milho safrinha são PR, SP, GO, MT e MS. Por ser implantado ao final da época normal, o milho safrinha tem sua produtividade bastante afetada pelas limitações de água, radiação solar e temperatura em estádios avançados de desenvolvimento. Por se tratar de uma atividade de risco, por muitos anos, os produtores usavam um manejo de baixo custo, comprometendo a produtividade e a receita. No entanto, mais recentemente, passou-se a ter grandes áreas com manejo de alta tecnologia e cultivadas com milho, contendo tecnologias transgênicas com eventos (características de interesses agronômicos introduzidas por meio de técnicas de transgenia) que conferem resistência a insetos e tolerância a herbicidas (CONSELHO DE INFORMAÇÕES SOBRE BIOTECNOLOGIA, 2012).
Os híbridos transgênicos com resistência a insetos foram desenvolvidos, para redução no uso de inseticidas ao controle de pragas, por meio da introdução de genes de Bacillus thuringiensis, modificando, geneticamente, as plantas de milho (ARMSTRONG et al., 1995). Já a tecnologia que confere tolerância à
herbicida traz como benefício a alta eficácia de controle de plantas daninhas pelo uso do herbicida glyphosate; a economia na compra de herbicidas (no ano de 1995, eram utilizados 11 herbicidas diferentes na cultura da soja, atualmente, na maioria das vezes, é utilizado apenas o glyphosate); além dos benefícios ambientais, como a quantidade reduzida de químicos aplicados no solo (GREEN et al., 2012).
Na cultura do milho, antes da utilização de híbridos que continham essas tecnologias, as perdas ocasionadas, em função da interferência imposta pelas pragas e plantas daninhas, eram da ordem de 13% e, em casos, nos quais não havia sido utilizado nenhum método de controle esta redução poderia chegar a 85% (EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA, 2012). Quando se leva em consideração o fato da utilização generalizada de híbridos de milho transgênicos pelos produtores brasileiros, recomenda-se cautela, pois faltam informações concretas sobre a eficiência dessas tecnologias sob as condições edafoclimáticas no ambiente safrinha.
2.2 Interação genótipos x ambientes
O valor fenotípico de um indivíduo, para uma dada característica, é influenciado pelo genótipo (G), ou seja, pela constituição genética e pelo ambiente (A), que são as condições em que o indivíduo se desenvolve. As variações com relação à resposta dos genótipos aos estímulos ambientais podem ser divididas em dois tipos: previsível e imprevisível (BERNARDO, 2010). As condições gerais de clima e solo podem ser consideradas, na primeira classe, já as variáveis como quantidade e distribuição de chuvas e temperatura se enquadram na segunda classe.
Os programas de melhoramento de milho são conduzidos, em diversas regiões com condições climáticas muito variáveis, tanto para os fatores previsíveis quanto imprevisíveis. Sendo assim, as avaliações dos genótipos
devem ser realizadas, normalmente, em uma gama de ambientes, de forma que aquelas condições em que os genótipos foram avaliados representem situações futuras de cultivo (GAUCH; ZOBEL, 1988).
Nas etapas preliminares de um ciclo de melhoramento de plantas, como exemplo, as avaliações das progênies, nas primeiras gerações de endogamia (com avaliações, normalmente, em uma só localidade), o fenótipo (F), como produtividade de grãos, será o resultado da ação do genótipo (G) e do ambiente (A) e a equação para o valor fenotípico (F) é:
F
G A
em que F é o valor fenotípico da progênie; G é o efeito do genótipo; e A é o efeito ambiental.
Quando os genótipos são avaliados em um número maior de ensaios, como exemplo, a avaliação dos híbridos em fases finais que precedem à recomendação como cultivar, um terceiro componente pode ser estimado, que consiste no componente da interação GA (RAMALHO et al., 2012), de acordo com a equação:
F
G A GA
Para estimar os componentes dessa interação, nas fases finais dos programas de melhoramento, é comum a avaliação das cultivares, em ensaios de VCU, repetidos em múltiplos locais (CRUZ; REGAZZI; CARNEIRO, 2004; RAMALHO et al., 2012). Nesse caso, a equação acima pode ser reescrita da seguinte maneira:
ij i j ij ij
y
g
l
la
e
em que:
y
ijé a observação do fenótipo i no local j,
é o efeito da constante;i
g
é o efeito genotípico i;l
j é o efeito de local j;la
ij é o efeito da interação entre os genótipos i e os locais j,e
ij é o erro experimental médio.Essa interação GA é decorrente do comportamento não coincidente dos genótipos frente às condições ambientais distintas (CRUZ; REGAZZI; CARNEIRO, 2004). Essa resposta relativa dos genótipos, em função do ambiente, pode ser classificada como interação simples ou complexa (ROBERTSON, 1959). A primeira não interfere na recomendação das cultivares, pois não altera a classificação dos genótipos. No caso da interação complexa, ocorrem mudanças na classificação dos genótipos, ou seja, o melhor genótipo em determinado ambiente pode não o ser em outro, bem como pode haver outros com adaptação mais ampla, porém nem sempre associados com alto potencial produtivo (RAMALHO et al., 2012). Bernardo (2002) afirma que caracteres controlados por vários genes (caracteres quantitativos), como adaptação ampla, estabilidade e potencial produtivo, por exemplo, frequentemente, apresentam significância do efeito de interação GA.
A explicação genética, para a interação GA, pode ser em virtude da expressão diferencial dos vários genes, responsáveis pelas características de interesse, entre os diferentes ambientes. A estimativa da correlação genética, nos ambientes dois a dois, possibilita comprovar esse fato (SMITH; CULLIS; THOMPSON, 2001). Se a correlação for alta, indica que os genes que atuam nos dois ambientes são os mesmos. Se ela for baixa, indica que alguns genes atuam no ambiente 1 e outros no ambiente 2, contribuindo para a interação (FALCONER; MACKAY, 1996; RUMIN, 2005). Nesse sentido, Vencovsky e Barriga (1992), também, já haviam apontado a ausência da correlação entre o
desempenho dos genótipos, nos diferentes ambientes, como causa para as interações complexas, citadas anteriormente.
Desta forma, a interação GA pode tornar o trabalho dos melhoristas mais complexo, interferindo na seleção de genótipos superiores e nas recomendações de cultivo (CARGNELUTTI FILHO et al., 2007; CROSSA; CORNELIUS, 1997; DUARTE; VENCOVSKY, 1999). Evidências da importância da interação GA são fartas na literatura (COOPER et al., 2014; HESLOT et al., 2014; JARQUÍN et al., 2014; KELLY et al., 2009; MALOSETTI; RIBAUT; VAN EEUWIJK, 2013; REVERTER; FORTES, 2013; SAE-LIM et al., 2014;).
Chaves (2001) e Duarte e Vencovsky (1999) comentam que, embora os melhoristas tendam a desenvolver uma atitude negativa contra a interação GA, deve ser lembrado que interações positivas, associadas com características previsíveis do ambiente, ou seja, aquelas que ocorrem de forma sistemática ou estão sob o controle do homem, oferecem a oportunidade de rendimentos mais elevados. Logo interação não é apenas um problema, mas também uma oportunidade a ser aproveitada. Adaptações específicas de genótipos a ambientes podem fazer a diferença entre uma boa e uma excelente variedade (GAUCH; ZOBEL, 1988). Mas, para que seja possível explorar estes efeitos positivos, é preciso dispor de métodos estatísticos capazes de captar esse tipo de informação (CRUZ; CARNEIRO, 2006) e ajudar na identificação de genótipos de alta produtividade e largamente adaptados.
No sentido biométrico, segundo Garbuglio et al. (2007), duas abordagens são empregadas: a relativa aos métodos de estratificação ambiental, por meio da análise da interação GA; e a dos estudos de estabilidade e adaptabilidade de diferentes genótipos em que, segundo Cruz, Regazzi e Carneiro (2004), procuram-se particularizar as respostas de cada genótipo, diante das variações ambientais, para identificar aqueles de adaptabilidade ampla ou específica e, ainda, os de comportamento previsível. Porém, em trabalho de
Maranha (2005), fala-se, além das duas abordagens anteriores, de uma terceira relativa à identificação de cultivares específicas para cada ambiente. Entretanto os próprios autores revelam que, mesmo esta técnica sendo possível, torna-se quase inexequível, pelo seu alto custo de implementação e, por isso não, será abordada na presente revisão.
2.3 Estratificação Ambiental
Como já foi comentado anteriormente, na avaliação de ensaios de VCU, para seleção e/ou recomendação comercial de cultivares, é comum que diferentes genótipos sejam superiores, em diferentes ambientes, caracterizando a chamada interação GA. A possibilidade de subdividir uma dada região em subrregiões, relativamente homogêneas, do ponto de vista da interação GA, implica herdabilidades mais elevadas e, portanto progresso mais rápido dentro de um programa de melhoramento genético. Tais subrregiões, referidas como "estratos ambientais", são áreas não necessariamente contínuas de uma região de cultivo que possibilitam uma classificação genotípica similar, independentemente das condições ambientais, dessa forma, está ligada à possibilidade de maximização da produção nessa área (GARBUGLIO et al., 2007; OLIVEIRA et al., 2005).
Diversas metodologias foram propostas para estudos de estratificação de ambientes (ABOU-EL-FITTOUH; RAWLINGS; MILLER, 1969; CRUZ; REGAZZI, 2001; HORNER; FREY, 1957; LIN, 1982; MISEVIC; DUMANOVIC, 1989). No entanto essas metodologias possuem limitações que têm sido, frequentemente, relatadas na literatura (DUARTE; VENCOVSKY, 1999; ZOBEL; WRIGHT; GAUCH, 1988). Para contornar essas ineficiências, Crossa (1990) sugere que a aplicação de métodos multivariados podem ser úteis por melhor explorar as informações contidas nos dados. Os trabalhos precursores dessas técnicas são atribuídos, conforme citações de Gauch e Zobel
(1988), especialmente, a Fisher e Mackenzie (1923), que demonstraram que a produtividade de diferentes variedades de batata, sob diferentes níveis de adubação, era mais bem explicada pelo produto do que pela soma desses dois efeitos. Aplicações de técnicas como AMMI vêm ganhando grande aplicabilidade. Na agricultura, o uso dessa técnica foi estimulado por Gauch Júnior (1985), Kempton (1984) e Zobel, Wright e Gauch (1988), na modelagem e busca por um melhor entendimento das interações GA.
Técnicas de análise multivariada como o método AMMI combinam, em um único modelo, componentes aditivos para os efeitos principais (genótipos e ambientes) e componentes multiplicativos para os efeitos da interação GA (BERNARDO, 2010). Este método integra a análise de variância e a análise de componentes principais (ACP). O principal objetivo da análise AMMI é obter estimativas mais fidedignas do desempenho de um dado genótipo em um dado ambiente. Gauch e Zobel (1988) informam que esta análise pode ajudar, na realização da estratificação ambiental, com fins de recomendação regionalizada e seleção de locais de teste. Outro modelo proposto foi o GGE biplot (YAN et al., 2000), que considera o efeito principal do genótipo mais a interação GA. A principal diferença entre os modelos AMMI e GGE está associada à abordagem dos efeitos no modelo. O modelo GGE analisa, conjuntamente, os efeitos de genótipos e da interação GA, enquanto a análise AMMI separa o G e GA. Os resultados de ambas as análises podem ser interpretados, por meio de gráficos biplot, sendo, dessa forma, abordagens visuais descritivas para os padrões de interação genótipos por ambientes. Embora existam algumas diferenças conceituais entre as duas metodologias, alguns trabalhos têm mostrado forte coincidência nos resultados das duas metodologias (CAMARGO-BUITRAGO; INTIRE; GORDÓN-MENDONZA, 2011).
Na interpretação dos biplots, os dois eixos representam os valores para o primeiro e segundo componentes principais. Um importante pressuposto, para a
realização desta análise, é que os dois primeiros eixos expliquem a maior parte da variação por causa do componente da interação. Na interpretação dos biplots, a cultivar ideal deve ser aquela que associa um alto valor para o primeiro componente, pois está associado a um alto desempenho do genótipo aos estímulos ambientais, enquanto o segundo componente se associa mais à estabilidade daquele genótipo (YAN et al., 2001). Existem grandes vantagens em se utilizar a análise gráfica para interpretação dos resultados. Entre elas podem-se citar: permite uma abordagem visual descritiva dos padrões de interação genótipos por ambientes, o que é bastante útil por permitir explorar melhor as informações contidas nos dados (CROSSA, 1990), visualizar a adaptação específica de determinados genótipos, em determinados ambientes, permite a diferenciação de mega-ambientes distintos, assim como a identificação de ambientes ideais de cultivo, que são aqueles que mais discriminam os genótipos.
Quando são comparados os modelos AMMI e GGE, este último apresenta algumas vantagens que podem ser elencadas, como a maior explicação do método GGE com relação aos efeitos de G e GA, em relação ao AMMI e o fato dos dois eixos apresentarem a mesma escala, o que permite a comparação relativa dos genótipos e ambientes (YAN et al., 2007).
2.4 Adaptabilidade e Estabilidade
Embora os estudos de estratificação ambiental contribuam, para amenizar as interferências prejudiciais da interação GA e, consequentemente, melhorem a recomendação de cultivares, a maioria não fornece informação a respeito do comportamento dos genótipos. Neste sentido, os estudos de adaptabilidade e estabilidade são os mais utilizados (CRUZ; REGAZZI; CARNEIRO, 2004).
O primeiro problema que se encontra, ao trabalhar com adaptabilidade e estabilidade, refere-se à gama de diferentes conceitos, dados por diversos autores, sobre os termos. Contudo, conforme Cruz e Carneiro (2006), para caracteres como produtividade de grãos, as definições mais atuais seriam as descritas por Verma, Chahal e Murty (1978). Estes autores definiram a adaptabilidade como a capacidade dos genótipos apresentarem rendimentos elevados e constantes, em ambientes desfavoráveis, com habilidade de responder à melhoria das condições ambientais. A estabilidade de comportamento de um genótipo estaria relacionada à previsibilidade de sua adaptabilidade, ou, em termos estatísticos, ao ajuste do genótipo ao modelo adotado.
Existe uma série de metodologias, para o estudo de adaptabilidade e estabilidade e, constantemente, surgem novas opções. De forma geral, os diversos métodos podem ser divididos nas seguintes categorias: métodos baseados em ANOVA; baseados em regressão linear e não linear; análise multivariada; e os métodos não paramétricos (CROSSA, 1990). Maiores detalhes sobre as metodologias podem ser encontrados em Cruz e Carneiro (2006), Cruz, Regazzi e Carneiro (2004), Lin, Binns e Lefkovitch (1986) e Ramalho et al. (2012).
Resende (2004) salienta que a abordagem dos modelos lineares mistos, para análise de ensaios instalados, em diversos ambientes, são adequados para a seleção de genótipos superiores, tendo como alvo a produtividade média ao longo de todos os ambientes. Esses modelos, diferente do método dos quadrados mínimos, não possui limitações, para lidar com dados desbalanceados, delineamentos experimentais não ortogonais e heterogeneidade de variâncias entre os locais em que são conduzidos os ensaios. Alguns trabalhos foram conduzidos com o intuito de comparar modelos de estudo da interação GA. Malosetti, Ribaut e Van Eeuwijk (2013) concluíram que, para modelar a interação GA de forma mais realística, modelos lineares mistos, que permitam a
inclusão de heterogeneidade de variâncias genéticas e residuais nas predições, são os mais adequados.
2.5 Modelo linear misto
Quando em um mesmo modelo estatístico encontram-se efeitos fixos exceto à constante e efeitos aleatórios exceto ao erro, têm-se os chamados modelos mistos. Os modelos mistos foram propostos por Henderson, em 1949, com o intuito de predizer valores genéticos de animais para produção de leite sob condições de desbalanceamento nos dados (MRODE, 1996; WHITE; HODGE, 1989).
O BLUP -Best Linear Unbiased Predictor- (Melhor preditor linear não tendencioso) significa melhor - pois minimiza a variância do erro de predição (maximiza a acurácia), preditor linear- função linear das observações, não tendencioso - E[BLUP(g)]E(g)0, ou seja, a esperança tende a zero. A sigla BLUP é usada, quando os componentes de variâncias são conhecidos. Como, na prática, esses componentes, geralmente, são desconhecidos e, portanto, devem ser estimados, têm-se os EBLUP (Empirical Best Linear
Unbiased Predictor).
A utilização do BLUP como método rotineiro de análise apenas tornou-se possível, com o avanço de recursos computacionais, como a exemplo de softwares estatísticos que traziam algoritmos especializados já implementados. Entretanto, no melhoramento vegetal, sua utilização tem sido mais restrita, pela falta de vivência com o método e o desconhecimento de suas inúmeras aplicações (BUENO FILHO, 1997; GAUCH JÚNIOR, H. G.; PIEPHO, H. P.; ANNICCHIARICO, 2008).
O modelo linear misto geral (HENDERSON et al., 1959), para aplicação em dados fenotípicos, pode ser descrito, matricialmente, da seguinte forma:
YXβZα e
Em que:
Y: Vetor de observações ou fenótipos, de dimensões n x1.
X: Matriz do modelo referente aos efeitos fixos , de dimensões n x p. β : Vetor de efeitos fixos, de dimensões p x1.
Z: Matriz do modelo referente aos efeitos aleatórios , de dimensões n x q.
α: Vetor de efeitos aleatórios, de dimensões q x 1, com α~ N(0, G), sendo GA
g2.e
: Vetor de erros, de dimensões n x 1 com e~ N(0, R), sendo2 e
I
R
Para o modelo acima, assume-se que os dados (Y) se ajustam à distribuição normal multivariada, ou seja, sendo ZGZ'RV.
A estimação dos efeitos fixos pode ser obtida pela seguinte expressão:
' 1 1 ' 1
BLUE( ) (X V X) X V Y . Já a predição dos efeitos aleatórios, que são a esperança condicional dos efeitos aleatórios dados às observações, pode ser obtida pela seguinte expressão: BLUP(g)GZ V (Y X )' 1 ˆ . A grande dificuldade, para estimação e predição, é a inversão da matriz V, pois essa é da ordem dos dados. A primeira parte do estimador de BLUP é o fator de encolhimento ou shrinkage (GZ V' 1) e a segunda é o ajuste para efeitos fixos (
ˆ
Y X
).A estimação dos efeitos fixos (BLUE) do modelo e predição dos efeitos aleatórios (BLUP) foi descrito, em 1975, por Henderson, ficando conhecido como sistemas de equações de Henderson, conforme descrito a seguir.
' 1 ' 1 ' 1 ' 1 ' 1 1 ' 1
ˆ
X R X
X R Z
X R Y
ˆ
Z R X Z R Z G
Z R Y
Nesse sistema, não é preciso inverter uma matriz da ordem dos dados, a matriz, agora, é uma função de efeitos fixos e aleatórios. Nesse sistema, tem que se estimar as matrizes R (matriz de variâncias e covariâncias dos erros) e
2 g
G A , sendo A, a matriz de parentesco genético entre os tratamentos. O elemento
a
ij dessa matriz corresponde ao parentesco genético aditivo, equivalente ao coeficiente de parentesco de Wright, que é igual a duas vezes o coeficiente de coancestria de Malecot (r
ij) (LYNCH; WALSH, 1998). O parentesco pode, também, ser determinado por meio do uso de marcadores moleculares (BERNARDO, 1994). Quando não se conhece o relacionamento genético entres os tratamentos, a matriz A=I (matriz identidade), ou seja, considera-se ausência de parentesco entre os genótipos e os BLUPS dos genótipos são preditos somente com base em suas próprias performances.Com a incorporação da informação de parentesco ao modelo, algumas vantagens podem ser apontadas, como a obtenção de predições mais acuradas e não viciadas. A estratégia de incorporação de informação de parentesco já foi comparada com modelos sem o uso desta informação (BROMLEY et al., 2000). Os autores concluíram que maiores ganhos com a seleção podem ser obtidos pelo fato do acréscimo do componente de variância relacionado a genótipos.
Tanto o breeding value como o valor genético aditivo são medidas, comumente usadas, para identificação de genitores para futuros cruzamentos (no caso de plantas de propagação vegetativa, como a exemplo de batata e cana-de-açúcar) e, para identificação de genótipos superiores no caso de plantas autógamas. Essas medidas podem ser obtidas, via modelos mistos, com a
incorporação da matriz de parentesco aditivo. Essas estimativas levam em consideração apenas a variância aditiva, que é a que realmente será passada para a descendência. Já o valor genotípico leva em consideração efeitos aditivos e não aditivos. Podem ser obtidos, quando, além da matriz de parentesco aditivo, é incorporada, também, a matriz de parentesco de dominância. A estimativa do valor genotípico é amplamente utilizada em culturas como eucalipto, batata, cana-de-açúcar, cujo objetivo é a seleção de genótipos superiores, que, após a identificação, serão propagados via clonagem (RESENDE; THOMPSON, 2004). Os modelos lineares mistos podem, também, ser utilizados com o intuito de modelar de maneira mais realista os ensaios em múltiplos ambientes. Em comparação com os modelos fixos, que possuem todos os termos do modelo como fixos, exceto o resíduo, os modelos mistos consideram o efeito de genótipos como aleatório, pois, quando o número de genótipos é maior que 10, pode-se considerar que estes representam uma população (GAUCH JÚNIOR; PIEPHO; ANNICCHIARICO, 2008).
No melhoramento de plantas, principalmente, no melhoramento de plantas anuais, poucos são os adeptos aos modelos mistos (GAUCH JÚNIOR; PIEPHO; ANNICCHIARICO, 2008). Entretanto vale ressaltar que o uso de modelos mistos, no melhoramento de plantas, é superior ao método de quadrados mínimos, em muitas situações e trazem estimativas mais acuradas e precisas, para auxiliarem os melhoristas na seleção dos melhores genótipos.
A análise de grupos de ensaios ou de ensaios conduzidos, em múltiplos ambientes, tem sido, tradicionalmente, baseada em modelos simples. Os mesmos assumem homogeneidade de variância residual entre os ensaios, independência de erros dentro de ensaio, efeitos da interação genótipos por ambientes como um grupo de efeitos aleatórios independentes (RESENDE; THOMPSON, 2004) . A suposição referente à independência dos efeitos da interação genótipos por ambientes pode ser eliminada por meio do uso de modelos multiplicativos, como
AMMI e GGE biplot. Com o uso de modelos mistos, é possível lidar com dados desbalanceados, heterogeneidade de variâncias e incorporar parentesco entres os genótipos. Como dados de programas de melhoramento são naturalmente desbalanceados, em virtude do acréscimo e eliminação de genótipos, ao longo de anos, o uso de estratégias de análises de dados, via modelos mistos e inferência bayesiana, são essenciais para que os programas de melhoramento possam maximizar o ganho genético com a seleção de genótipos superiores.
3 MATERIAL E MÉTODOS
Para atender aos objetivos propostos na presente pesquisa dois ensaios foram conduzidos; os híbridos, utilizados em cada ensaio, apresentaram diferenças, para os eventos transgênicos de resistência a insetos e tolerância à herbicida. Os ensaios fazem parte da rede de testes, para seleção e avanço de híbridos de milho, que estão em fase final do programa de melhoramento da Cooperativa Central de Pesquisa Agrícola (COODETEC), nos estados do Mato Grosso do Sul, Paraná e São Paulo.
3.1 Ensaios VCU PRO 2 e VCU HX
No primeiro ensaio, VCU PRO 2, 20 híbridos simples pré-comerciais (G1 a G20) com os eventos MON89034 & NK603 - YieldGard VT PRO 2® foram avaliados com mais oito híbridos comerciais utilizados como testemunhas (TABELA 1).
Os 20 híbridos YieldGard VT PRO 2® contêm a combinação de dois eventos, geneticamente modificados, desenvolvidos pela Monsanto. O milho, além de ser tolerante ao glifosato, também, controla, efetivamente, uma gama de pragas. A semente do milho YieldGard VT PRO 2 produz duas proteínas inseticidas de Bt (Bacillus thuringiensis) que propiciam eficiente controle da lagarta-do-cartucho (Spodoptera frugiperda), da lagarta-da-espiga (Helicoverpa
zea) e de espécies dos gêneros Ostrinia (broca europeia do milho e broca
asiática do milho) e Diatraea (broca-do-colmo).
As testemunhas foram compostas de três híbridos triplos, sendo dois deles CD 384HX e 20A55HX, contendo os eventos Herculex® (TC1507) e o híbrido 2B688HR, contendo os eventos Herculex® e Roundup Ready® e cinco híbridos simples, de modo que dois deles com o evento Herculex® (P 30F53H e CD 393HX), dois com eventos Herculex® e Roundup Ready® (DKB 330PRO2 AS 1551PRO2) e um híbrido com os eventos MON 89034 (CD 324PRO).
Tabela 1 - Descrição dos híbridos utilizados nos ensaios de valor de cultivo e uso instalados na safrinha do ano agrícola 2013.
VCU PRO2 VCU HX
1Híbrido 2Tipo 3Código 1Híbrido 2Tipo 3Código
DKB 330PRO2 HS 1 DKB 330PRO2 HS 1 P 30F53H HS 2 P 30F53H HS 2 CD 324PRO HS 3 CD 324PRO HS 3 CD 384HX HT 4 CD 384HX HT 4 CD 393HX HS 5 CD 393HX HS 5 20A55HX HT 6 AG 9010PRO HS 29 2B688HR HT 7 DKB 390PRO HS 30 AS 1551PRO2 HS 8 P 30F35YH HS 31 G1 HS 9 P 3161H HS 32 G2 HS 10 P 3340H HS 33 G3 HS 11 CD 316HX HS 34 G4 HS 12 G21 HS 35 G5 HS 13 G22 HS 36 G6 HS 14 G23 HS 37 G7 HS 15 G24 HS 38 G8 HS 16 G25 HS 39 G9 HS 17 G26 HS 40 G10 HS 18 G27 HS 41 G11 HS 18 G28 HS 42 G12 HS 20 G29 HS 43 G13 HS 21 G30 HS 44 G14 HS 22 G31 HS 45 G15 HS 23 G32 HS 46 G16 HS 24 G33 HS 47 G17 HS 25 G34 HS 48 G18 HS 26 G35 HS 49 G19 HS 27 G36 HS 50 G20 HS 28 G37 HS 51 G38 HS 52 G39 HS 53 G40 HS 54 G41 HS 55 G42 HS 56 G43 HS 57 G44 HS 58 Fonte: Autor.
1G, híbridos pré-comerciais; 2HS, híbrido simples; HT, híbrido triplo; 3Código, denominação dos híbridos para fins de análises estatísticas.
Tabela 2 - Descrição dos locais de plantio do VCU PRO2 (E1) e VCU HX (E2), designados de A1 a A24.
*Local Coordenadas Altitude (m) E1 E2
Amambai/MS 23° 06' S, 55° 13' W 480 A1 A1 Caarapó/MS 22° 38' S, 54° 49' W 471 A2 A2 Dourados/MS 22° 13' S, 54° 48' W 430 A3 A3 Maracaju/MS 21° 36' S, 55° 10' W 384 A4 A4 Ponta Porã/MS 22° 32' S, 55° 43' W 655 A5 A5 Rio Brilhante/MS 21° 48' S, 54° 32' W 312 A6 - Assis Chateaubriand/PR 24° 25' S, 53° 31' W 406 A7 A7 Cascavel/PR 24° 57' S, 53° 27' W 781 A8 A8 Cascavel/PR 24° 57' S, 53° 26' W 781 A9 A9 Goioerê/PR 24° 11' S, 53° 01' W 505 A10 A10 Londrina/PR 23° 18' S, 51° 09' W 585 A11 A11 Marechal C Rondon/PR 24° 33' S, 54° 03' W 410 A12 A12 Mariluz/PR 24° 00' S, 53° 08' W 453 A13 A13 Mariluz/PR 24° 00' S, 53° 07' W 453 A14 A14 Maripá/PR 24° 25' S, 53° 49' W 402 A15 A15 Mercedes/PR 24° 27' S, 54° 09' W 408 A16 A16 Nova Aurora/PR 24° 31' S, 53° 15' W 526 A17 A17 Palotina/PR 24° 17' S, 53° 50' W 333 A18 A18 Santa Helena/PR 24° 51' S, 54° 19' W 258 A19 A19 Sta Terezinha De Itaipu/PR 25° 21' S, 54° 29' W 218 A20 A20 São Pedro Do Iguaçu/PR 24° 56' S, 53° 51' W 555 A21 A21 Ubiratã/PR 24° 32' S, 52° 59' W 508 A22 A22 Cruzália/SP 22° 44' S, 50° 47' W 318 A23 A23 Maracaí/SP 22° 36' S, 50° 40' W 535 A24 A24
Fonte: Autor.
*MS, Mato Grosso do Sul; PR, Paraná; SP, São Paulo.
No segundo ensaio, VCU HX, um total de 35 híbridos de milho foram avaliados, sendo 24 híbridos simples pré-comerciais (G21 a G44) e mais 11 híbridos comerciais utilizados como testemunhas (TABELA 1).
Os híbridos simples pré-comerciais contêm a tecnologia Herculex®. Essa tecnologia foi desenvolvida, por meio de uma colaboração técnica entre a Dow
AgroSciences LLC e a Pioneer Hi-Bred International, Inc. Esses 35 híbridos contêm o gene cry1F que concede ao milho uma geração de plantas com características de proteção contra insetos-pragas. O gene cry1F expressa uma proteína cristal (Cry) com ação inseticida para controle de Spodoptera
frugiperda, Diatrea saccharalis e Helicoverpa zea.
As testemunhas foram compostas por um híbrido triplo (CD 384HX) e dez híbridos simples, sendo um com o evento PRO2 (DKB 330PRO2), seis híbridos com tecnologia Herculex (P 30F53H, CD 393HX, P 30F35YH, P 3161H, P 3340H e CD 316HX) e três híbridos com tecnologia PRO (CD 324PRO, AG 9010PRO e DKB 390PRO).
Tanto os 28 híbridos do VCU PRO2 como os 35 híbridos do VCU HX foram avaliados sob o delineamento de blocos completos casualizados com duas repetições cada. As parcelas de cada VCU foram compostas por duas linhas com 4,2 metros de comprimento cada, com espaçamento entre linhas de 0,60 m e de 0,25 m entre plantas, de modo que o estande final foi de, aproximadamente, 66.667 plantas ha-1.
A época de plantio foi na safrinha, na qual o período de plantio e colheita se estendeu de janeiro a agosto de 2013. O plantio foi realizado em 24 cidades compreendidas dentro dos limites terrestres dos estados do Paraná, Mato Grosso do Sul e São Paulo. À exceção da cidade de Rio Brilhante – Mato Grosso do Sul, 23 locais receberam os ensaios de avaliação do VCU HX (TABELA 2). A faixa de plantio foi estendida de 21° 36' S, 55° 10' W (Maracaju - MS) a 24° 57' S, 53° 27' W (Cascavel - PR). Nota-se que, no município de Cascavel - Paraná, foram utilizadas duas áreas de plantio dentro das mesmas coordenadas geográficas (Ambientes 8 e 9), o mesmo pode ser observado para a cidade de Mariluz – Paraná (Ambientes 13 e 14). Para melhor exemplificar a distância física entre os locais de plantio, fez-se uso da análise gráfica, conforme visto na Figura 1.
Figura 1 - Distribuição espacial dos locais de plantio dos Ensaios VCU PRO2 e HX de avaliação de híbridos de milho pré-comerciais e comerciais nos estados do Paraná, Mato Grosso do Sul e São Paulo.
Fonte: Autor
3.2 Experimentação agronômica
No total, foram avaliados 47 ensaios distribuídos em 24 cidades no ano agrícola de 2013. Simultaneamente à semeadura, foi aplicado inseticida (carbofuran) e fertilizante (NPK) granulado. A adubação de base e de cobertura, o controle de plantas daninhas e pragas foram realizados conforme manejo de cada cooperado (proprietário da área em que o ensaio foi conduzido). Foi dada assistência técnica aos cooperados, para que os tratos culturais fossem
realizados, conforme recomendado para região e, no caso de necessidade, as medidas necessárias foram tomadas.
O caráter avaliado foi a produção de grãos, obtida pela massa de grãos oriunda de cada parcela (kg ha-1), com valores corrigidos para 13% do teor de água (BRASIL, 2013).
3.3 Análise de dados
Após a obtenção dos dados, foram verificadas as pressuposições da análise de variância e realizadas as análises, para cada ambiente individualmente, de acordo com o modelo a seguir, por meio do software R (R CORE TEAM, 2009):
y 1 XβZt ε Em que:
y: vetor dos dados; : constante;
β : vetor dos efeitos aleatórios das repetições;
t: vetor dos efeitos aleatórios dos híbridos, com
t
~ MVN( ,
0
2tI
t)
;ε
: vetor dos efeitos aleatórios dos resíduos, comε
~ MVN( ,
0
2I
ε)
. X e Zsão matrizes de incidência dos respectivos efeitos e 1 é o vetor de uns.Em seguida, foi realizada a análise de variância conjunta, de acordo com o modelo a seguir, por meio do software R (R CORE TEAM, 2009):
y 1 Xβ Z t 1 Z ts Z r ε2 3
y: vetor dos dados; : constante;
β vetor dos efeitos fixos dos ambientes;
t: vetor dos efeitos aleatórios dos híbridos, com
t
~ MVN( , σ
0
2tI
t)
;ts: vetor para efeitos aleatórios da interação híbridos por ambientes,
com ts~ NVN( ,02tsIts);
r: vetor dos efeitos aleatórios das repetições dentro dos ambientes, com
2 r ~ MVN( , r)
r 0 I ;
ε
: vetor dos efeitos aleatório dos resíduos, comε~ MVN( ,0 Dε).ε
D
é uma matriz diagonal, em que cada ambiente tem um componente de variância do erro diferente e independente. X, Z1, Z2, eZ3 são matrizes deincidência, para os respectivos efeitos, e 1 é o vetor de uns.
Para verificar a significância dos efeitos principais de híbridos e da interação híbridos com os ambientes, foi utilizado o teste LRT (Likelihood Ratio
Test), que apresenta distribuição qui-quadrado aproximada com 1 grau de
liberdade: C R L L LRT 2 log
em que
L
R é a verossimilhança do modelo reduzido, ou seja, sem o parâmetro a ser testado, e LC é a verossimilhança do modelo completo.Procedeu-se à análise de estabilidade, que permite quantificar a adaptabilidade e a estabilidade de produção de grãos. Esta avaliação foi realizada, utilizando o método GGE-Biplot, de acordo com o modelo proposto
por Yan et al. (2001), por meio do software R (R CORE TEAM, 2009), utilizando o pacote GGEBiplotGUI (FRUTOS; GALINDO; LEIVA, 2014), de acordo com o modelo a seguir:
n1i is s j ij sj is
GGxE t ts
Em que:G GxE
: matriz dos efeitos dos genótipos somados aos efeitos das interações genótipos por ambientes;j
: valor singular do j-ésimo componente principal;ij
e
sj: autovalores do j-ésimo componente principal associado ao efeito genótipo i e ambiente s, respectivamente;n: número dos componentes principais retidos do modelo;
is
: ruído.Com base nos escores, foram obtidos gráficos biplots, para melhorar o entendimento da inter-relação entre genótipos e ambientes, conforme Yan e Tinker (2006). Estes são construídos, a partir da decomposição das médias, apresentando qual o genótipo possui o melhor desempenho.
Neste trabalho os biplots foram construídos a partir dos dois primeiros componentes principais do efeito dos híbridos mais a interação (GxE) (PCA1 e PCA2). O ruído corresponde ao erro associado à estimativa da interação (GA) que são os componentes principais, que não foram considerados, para a interpretação dos resultados e construção dos gráficos
4 RESULTADOS E DISCUSSÃO
A qualidade das estimativas de parâmetros genéticos e fenotípicos está, diretamente, ligada à precisão experimental. Dentre as medidas de precisão, a acurácia seletiva tem sido utilizada para essa finalidade (RESENDE; DUARTE, 2007), sendo a estimativa dela obtida pela raiz quadrada da herdabilidade. Diante da estimativa da herdabilidade, em nível de média obtida na análise conjunta, considerando os dois ensaios de VCU (0,94), pode-se notar que os ensaios tiveram boa precisão, já que essa estimativa apresenta acurácia de 0,97, o que pode ser considerada de alta magnitude, de acordo com Resende e Duarte (2007). Para a avaliação dos ensaios de VCU, as estimativas da acurácia seletiva de alta magnitude nos permitem inferir que o fenótipo observado é um bom indicativo do genótipo, aumentando a assertividade, nas recomendações de híbridos, na época de plantio de milho safrinha.
Foi detectada diferença significativa entre os híbridos em todos os ambientes pelo teste LRT (alfa=0,05) (TABELA 3). Isto indica a presença de variabilidade genética entre os híbridos, o que possibilita sucesso com a seleção. A interação híbridos por ambientes significativa demonstra que o comportamento dos híbridos não foi coincidente ao longo dos ambientes. Este fato ressalta a dificuldade, em se realizar a seleção, em etapas finais dos programas de melhoramento (GAUCH; PIEPHO; ANNICCHIARICO, 2008; MEYER, 2009), por outro lado, a interação significativa permite que o melhorista explore essa interação, para realizar a indicação dos melhores híbridos, para ambientes específicos.
Pode-se notar a presença de heterogeneidade de variâncias residuais nos diferentes ambientes (TABELA 3). As variâncias residuais variaram de 0,0306 (A22) até 0,3084 (A3) no VCU PRO2 e 0,0593 (A21) até 0,4736 (A5) no VCU HX. A razão entre a maior e menor variância residual foi de 10,08 e 7,9 para os
VCU PRO2 e HX, respectivamente, o que indica a necessidade de modelos que consideram heterogeneidade de variância residual (PIMENTEL-GOMES, 1985). Tabela 3 - Estimativa dos componentes da variância para produção de grãos (kg
ha-1) nos híbridos de milho avaliados nos ensaios VCU Pro2 e VCU HX. Estimativa Erro associado à estimativa Híbridos 0,3195 0,0633 Híbridos x Ambientes 0,1659 0,0181
Ambientes VCU Pro2 VCU HX
Estimativa Erro Estimativa Erro
A1 1,3773 0,2975 1,9509 0,3598 A2 0,4339 0,1051 0,8120 0,1731 A3 1,4575 0,3084 0,9644 0,1977 A4 0,8510 0,2038 0,6317 0,1262 A5 1,4403 0,3058 2,5387 0,4736 A6 1,0495 0,2486 -- -- A7 0,4785 0,1167 0,3967 0,0868 A8 0,3026 0,0717 0,4038 0,0869 A9 0,1947 0,0512 0,5097 0,1071 A10 0,3821 0,0943 0,5158 0,1159 A11 0,2342 0,0578 0,3425 0,0737 A12 0,3726 0,0886 0,6512 0,1421 A13 0,3867 0,0908 0,5330 0,1098 A14 0,5986 0,1339 0,5205 0,1071 A15 0,2039 0,0511 0,4106 0,0897 A16 0,3133 0,0745 0,3348 0,0713 A17 0,5995 0,1456 0,8354 0,1669 A18 0,3302 0,0827 0,4665 0,1018 A19 0,4008 0,0999 0,6962 0,1432 A20 0,1775 0,0463 0,4032 0,0904 A21 0,2259 0,0619 0,2705 0,0593 A22 0,1196 0,0306 0,4042 0,0949 A23 0,8368 0,1897 0,6567 0,1336 A24 1,0883 0,2356 0,8293 0,1623
De acordo com o critério de escolha de modelo Akaike information
criterion (AIC) (AKAIKE, 1974), o modelo com heterogeneidade apresentou
AIC de 2.214,5, demonstrando que este modelo teve melhor ajuste, quando comparado ao modelo, assumindo homogeneidade de variância, que apresentou AIC de 2.514,38. O uso desses modelos é extremamente necessário frente ao melhoramento de plantas, em que genótipos, em fases finais, são avaliados em múltiplos ambientes e anos. Trabalhos recentes mostram as vantagens desses modelos em relação a modelos que consideram homogeneidade de variância residual (MALOSSETI; RIBAUT; VAN EEUWIJK, 2013; SMITH; CULLIS; THOMPSON, 2005). De acordo com Malosetti, Ribaut e Van Eeuwijk (2013), modelos mistos que acomodam heterogeneidade de variâncias, mesmo tendo a necessidade de se estimar um número maior de parâmetros, são mais adequados, pois apresentam menor AIC.
As médias de produção de grãos dos híbridos variaram de 3,0 a 7,9 kg ha-1 no VCU Pro2 (TABELA 4) e 3,1 a 9,0 kg ha-1 no VCU HX (TABELA 4). A diferença na média dos ambientes pode ser pelas diferenças, nas condições edafoclimáticas, que permitem uma expressão diferenciada do potencial genético de cada híbrido. Observa-se, também, que os ambientes A12 e A22 apresentaram as menores médias de produção de grãos. Para o ambiente A22, a menor produção pode ter sido ocasionada pelo estresse com a seca, em função da data de plantio tardia, de forma que todos os híbridos apresentaram baixas produtividades. O contrário foi observado para o ambiente A1, no qual houve a melhor média de produção de grãos dos híbridos avaliados tanto no ensaio VCU PRO2 como no ensaio VCU Herculex. Esse ensaio foi conduzido, em Amambaí, no estado do Mato Grosso do Sul, região conhecida pelo emprego de alta tecnologia na agricultura, o que pode ter contribuído para a alta produção.
Tabela 4 - Produção de grãos média (kg ha-1) dos híbridos em cada ambiente para os ensaios de VCU PRO2 e HX.
Ambiente Produção Ambiente Produção
PRO2 HX PRO2 HX A1 7,9 9,0 A13 5,7 6,3 A2 4,8 4,8 A14 6,4 7,0 A3 6,2 5,7 A15 7,2 7,4 A4 4,2 4,6 A16 4,2 4,1 A5 7,7 7,6 A17 5,4 5,6 A6 5,6 - A18 7,0 7,5 A7 7,1 7,3 A19 4,4 4,6 A8 4,3 4,6 A20 4,3 4,6 A9 4,4 5,0 A21 4,2 4,1 A10 5,2 5,9 A22 3,0 3,1 A11 4,4 4,6 A23 4,6 4,1 A12 3,2 3,3 A24 4,5 4,4
Fonte: Dados do Autor (2016)
O desempenho dos híbridos, também, foi comparado, por meio dos gráficos GGE biplots, proposto por Yan et al. (2000). Nesses biplots são considerados juntos os efeitos principais de genótipos e os efeitos da interação GA. A técnica é realizada por análise de componentes principais (PCA), em que a base, para a realização, é a decomposição em valores singulares. Estes valores se resumem na variação contida em uma matriz n x m em poucos vetores. Assim, a maior parte da variação, contida no conjunto de dados, pode ser, facilmente, interpretada em um gráfico biplot (GAUCH, 2006).
Na Figura 2 está representado o biplot entre os híbridos e os ambientes considerando a produção de grãos média. Os híbridos estão representados pela numeração de 1 a 28 no ensaio VCU PRO2 e de 29 a 58 no ensaio VCU HX, visto que as testemunhas 1 a 4 são comuns aos dois VCUs. A análise GGE biplot obteve uma boa eficiência para o VCU PRO2, explicando 72,37% da soma de quadrados de G + GxA. Para o VCU HX, a eficiência foi, ainda, melhor, explicando 84,15%. Os valores da explicação da G + GxA estão de acordo com
os encontrados por Balestre et al. (2008), ao avaliar genótipos de arroz, em ensaios finais de avaliação, com magnitude de 82,52%. Em outro estudo, Balestre et al. (2009), avaliando a adaptabilidade e estabilidade de híbridos duplos de milho tropical, observaram que os dois primeiros componentes principais capturaram 53,8% da variação G + GxA, valor abaixo dos encontrados na presente pesquisa.
Em função das linhas traçadas entre a origem e os ambientes, é possível determinar a inter-relação entre ambientes e híbridos. Observou-se que houve inter-relação entre a maioria dos ambientes, ou seja, os ângulos formados entre os ambientes entre si foram, na maioria, menores que 90° (FIGURA 2). Analisando os resultados para o VCU PRO2 (FIGURA 2), o ambiente A7 apresentou inter-relação com ambientes A3, A5, A6, A9, A13, A15, A17, A18, A23 e A24. Da mesma forma, houve inter-relação do A8 com os ambientes A1, A2, A4, A7, A10, A11, A12, A14, A16, A19, A20, A21 e A22.
Na figura 2, ao contrário do VCU PRO2, o VCU HX apresentou inter-relação entre todos os ambientes avaliados. Vale a pena ressaltar, que mesmo os ensaios serem conduzidos em estados diferentes, com altitudes bastante distintas, segundo a análise do GGE biplot, os ambientes estão correlacionados. Verificou-se que os dois ensaios conduzidos, em Cascavel/PR, e os dois em Mariluz/PR, apresentaram ângulos maiores quando comparados aos ensaios mais distantes geograficamente. Estes resultados sugerem que a condução de ensaios, em mais de um local por município, pode tornar a recomendação mais consistente, desde que se utilizem datas de plantio distintas para cada ensaio.
Figura 2 - GGE biplot para a produção de grãos média demonstrando a relação entre os híbridos de milho e os ambientes: VCU PRO2.
Fonte: Dados do Autor (2016)
Tendo em vista que se o ângulo entre um determinado híbrido e um ambiente for menor que 90º, o desempenho do híbrido neste é acima da média geral deste ambiente. Por outro lado, se o ângulo for maior que 90º, a performance é abaixo da média geral deste ambiente. O híbrido 4 (CD384 HX) apresentou desempenho superior à média geral, em todos os ambientes no ensaio VCU PRO2 (FIGURA 4), o que pode ser em razão de já ser comercializado e recomendado para plantio nos ambientes avaliados. Destaca-se, também, a
importância de utilizar híbridos superiores, em ensaios de VCU, para auxiliar a seleção de híbridos pré-comerciais de alto desempenho.
Figura 3 - GGE biplot para a produção de grãos média demonstrando a relação entre os híbridos de milho e os ambientes: VCU HX.
Fonte: Dados do Autor (2016)
Ambientes de testes ideais são aqueles que possuem maior poder de discriminar os genótipos e melhor representar os demais ambientes. O comprimento da linha que sai da origem até o ponto em que está localizado o ambiente representa o desvio padrão das médias dos híbridos e é utilizado para medir a discriminação do ambiente. Desta forma, o ambiente que mais
discriminou os híbridos, para a produção de grãos, foi A6 (Rio Brilhante/MS), no VCU PRO2 (FIGURA 4) e o A19 (Santa Helena/PR), no ensaio VCU HX (FIGURA 5), sendo os mais indicados para testar os híbridos. Por outro lado, o ambiente A8 e A10 (VCU PRO2) mostraram menor poder de discriminação dos híbridos avaliados. Já os ambientes mais representativos são aqueles que possuem menor ângulo com o eixo do ambiente médio. No presente trabalho, os ambientes A5 (VCU PRO2) e A10 (VCU HX) foram os mais representativos. De modo geral, esses dois ambientes A5 (VCU PRO2) e A10 (VCU HX) podem ser considerados os ambientes ideais por serem mais discriminativos e representativos.
Figura 4 - GGE biplot “Discriminativos vs representativos”, utilizado para classificar ensaios com melhor capacidade de discriminar e representar os ambientes de avaliação para a produção de grãos no ensaio VCU PRO2.
Figura 5 - GGE biplot “Discriminativos vs representativos”, utilizado para classificar ensaios com melhor capacidade de discriminar e representar os ambientes de avaliação para a produção de grãos no ensaio VCU HX.
Fonte: Dados do Autor (2016)
Na Figura 5, observou-se o agrupamento dos diferentes ambientes com base no desempenho produtivo dos melhores híbridos formando os mega-ambientes. Constatou-se que os ensaios não permaneceram, no mesmo agrupamento, quando comparados os VCUs PRO2 (FIGURA 6) e VCU HX (FIGURA 7). No VCU PRO2, os vértices do polígono foram formados pelos híbridos 1, 7, 13, 19, 24, 26 e 4 dividindo os ensaios em cinco grupos, conforme representado pelas linhas vermelhas, que saíram da origem do biplot.
